Cross Selling - Venta Cruzada & Market Basket Analysis
Cross Selling - Venta cruzada
Recientemente, tuve la oportunidad de trabajar en un proyecto de comercio minorista cuyo objetivo era mejorar el rendimiento de la tienda en cuanto a ventas y reducir el inventario general de la tienda.
Esta experiencia me animó a escribir un post que ayudaría a los demás comerciantes con negocios físicos y online entender el concepto de Market Basket Analysis: Association Rules y como pueden ver sus ventas incrementadas al implementar este sistema.
La venta cruzada es la capacidad para vender más productos a un cliente analizando las tendencias de compra del cliente, así como las tendencias y pautas de compra generales que tienen en común, con las pautas de compra del cliente.
La mayoría de las veces, estos productos recomendados serán muy atractivos para el cliente porque el vendedor, ofrecerá un paquete de productos, con alguna oferta atractiva y será probable que el cliente acabe por comprar los productos del paquete en lugar del artículo original.
Por lo tanto, queremos investigar las transacciones de los clientes y descubrir así los posibles productos que van al encuentro de las necesidades originales del cliente y se los ofrecemos, como sugerencia con la esperanza y la intención de que los clientes los compren, lo que irá en beneficio, tanto el cliente como del negocio minorista.
En este artículo quiero explorar la minería de reglas de asociación (association rule-mining), una potente técnica que puede utilizarse para la venta cruzada y después aplicar el concepto de análisis de la cesta de la compra a un conjunto de datos de transacciones minoristas.
Market Basket Analysis with Association Rule-Mining
Todo el concepto de minería de reglas de asociación (association rule-mining) se basa en la idea de que el comportamiento de compra del cliente tiene un patrón que puede aprovecharse para venderle más artículos en el futuro.
El aprendizaje de reglas de asociación es un método de aprendizaje automático basado en reglas para descubrir relaciones interesantes entre variables en grandes bases de datos.
Este enfoque basado en reglas también genera nuevas reglas a medida que analiza más datos.
Esto permite a los minoristas identificar asociaciones entre artículos.
Si se utiliza adecuadamente, el análisis de la cesta de la compra puede ser una herramienta eficaz para obtener una ventaja integral en el mercado minorista actual. Ayuda a los minoristas a obtener la información necesaria no sólo para comprender mejor el comportamiento de los consumidores, sino también para influir en él.
Una regla de asociación suele tener la siguiente estructura:
L{leche, pan} ----- Jamón York
El Support es la frecuencia relativa con la que aparecen las reglas, o sea, porcentaje de órdenes que contienen el conjunto de artículos.
En muchos casos, es recomendable buscar un Support alto para asegurarse de que se trata de una relación útil. Sin embargo, puede haber casos en los que un soporte bajo sea útil si está intentando encontrar relaciones "ocultas".
La Confianza (Confidence) es una medida de la fiabilidad de la regla.
Dados dos artículos, X e Y, la confianza mide el porcentaje de veces que se compra el artículo Y, dado que se compró el artículo X.
Una confianza de 0,5 en el ejemplo anterior significaría que en el 50% de los casos en los que se compraron pañales y chicles, la compra también incluyó cerveza y patatas fritas.
Para la recomendación de productos, una confianza del 50% puede ser perfectamente aceptable, pero en una situación médica, este nivel puede no ser lo suficientemente alto. La Confianza es fundamental para evaluar la fortaleza de una regla y su utilidad en diferentes contextos, como recomendaciones de productos o decisiones médicas
Lift es la relación entre el Support observado y el esperado si las dos reglas fueran independientes.
La regla básica es que un valor de elevación cercano a 1 significa que las reglas eran completamente independientes.
Los valores > 1 suelen ser más "interesantes" y podrían indicar un patrón de reglas útil.
O sea:
Lift = 1; implica que no hay relación entre X e Y (es decir, X e Y sólo aparecen juntos por casualidad).
Lift > 1: implica que existe una relación positiva entre X e Y (es decir, X e Y aparecen juntos con más frecuencia que al azar).
Lift < 1: implica que existe una relación negativa entre X e Y (es decir, X e Y aparecen juntos con menos frecuencia que al azar).
En Resumen:
La generación de reglas es un proceso muy sencillo, pero muy caro computacionalmente, ya que crece exponencialmente con el aumento del conjunto de elementos.
En general, buscamos el equilibrio adecuado entre apoyo (support) y confianza (confidence) que conduzca a un número razonable de reglas sólidas.
El sector minorista puede beneficiarse del análisis de los datos de la cesta de la compra:
- Permite Diversificar la variedad de opciones de productos.
- El análisis de la cesta de la compra (Market Basket Analysis) permite a las empresas ver qué productos suelen comprar juntos los clientes.
Por lo tanto, esto les da una idea de qué productos es más probable que los clientes quieran comprar a continuación.
Esto permite a los minoristas predecir con casi total certeza qué tipo de productos quieren los clientes.
A cambio, esto diversifica la variedad de opciones de productos, lo que aumenta las ventas, pero también la satisfacción general del cliente con el propio minorista.
Identificar los factores que influyen en las ventas:
En muchos casos, la venta de un producto está causada por el aumento o la disminución de las ventas de otros productos.
Por ejemplo, en un supermercado, un aumento en las ventas recientes de bolsas de pipas podría ser consecuencia de un aumento en las ventas de cervezas.
El análisis de la cesta de la compra ayuda a los minoristas a encontrar estas correlaciones, comprenderlas mejor y, a continuación, aprovecharlas desde el punto de vista financiero para poder reproducir estas actividades en general.
Mejorar las promociones:
El análisis de la cesta de la compra permite a los minoristas establecer promociones conjuntas eficaces al ayudarles a ver con precisión los patrones de compra de los clientes.
Por ejemplo, puede indicar que cuando alguien compra pan, también acaba comprando leche. Esto permite a los minoristas establecer promociones que se alimentan y se impulsan mutuamente, en lugar de contrarrestarse.
Con el poder de Data Analytics & Data Science y con mi ayuda os puedo asesorar y ayudar a entender mejor a vuestros clientes, comprender mejor las pautas de compra de vuestros consumidores e influir en las decisiones de compra de los mismos, pudiendo establecer promociones conjuntas eficaces e impulsar las ventas de vuestro negocio.